文献

J-GLOBAL ID：202002252640302427   整理番号：20A1955936

VMDとCuckoo探索SVMを最適化する統合マルチスケール順列エントロピーのローリングのための新しい故障診断分類器【JST・京大機械翻訳】

A New Fault Diagnosis Classifier for Rolling Bearing United Multi-Scale Permutation Entropy Optimize VMD and Cuckoo Search SVM

著者 (4件)： Guo Zijian (HLJ Province Key Laboratory of Senior-Education for Electronic Engineering, Heilongjiang University, Harbin, China) ,  Liu Mingliang (HLJ Province Key Laboratory of Senior-Education for Electronic Engineering, Heilongjiang University, Harbin, China) ,  Wang Yunxia (HLJ Province Key Laboratory of Senior-Education for Electronic Engineering, Heilongjiang University, Harbin, China) ,  Qin Huabin (HLJ Province Key Laboratory of Senior-Education for Electronic Engineering, Heilongjiang University, Harbin, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 153610-153629  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 有用な情報の抽出に及ぼす軸受振動信号の混合ノイズの影響に照準を定めて,マルチスケール置換エントロピー(MPE)とカッキー探索アルゴリズム(CS)に基づく故障診断最適化分類装置を提案した。最初に,MPE閾値方法を,適切な変分モード分解アルゴリズム(VMD)パラメータを選択するために採用し,次に,信号を,中性白色雑音を加えることによって再構築し,そして,再構成信号を,最適IMF成分を得るために,MPE-OVMDアルゴリズムによって分解した。最後に,カッコウ探索アルゴリズムを用いて,サポートベクトルマシンの大域的最適解を最適化し,それにより,最良のパラメータを有するサポートベクトルマシンの分類モデルを達成した。モータ信号の解析結果は,方式がモードエイリアシングと信号過剰分解の現象を除去することができることを示した。CSSVM分類器の解析的比較を,想起率,ROC曲線,AUCのような学習者の性能で行った。対比実験は,分類モデルが正常条件として故障サンプルの誤認識を避けることができて,精度を確実にする前提の下で装置の最適な保全時間を最大にすることができることを示した。cucko最適化アルゴリズムの分類装置モデルは,グリッド探索アルゴリズム(GS),粒子群最適化(PSO),遺伝的アルゴリズム探索(GA)のような他より良い適合精度を持ち,そして,アンサンブル故障認識率は90%と高かった。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *エントロピー ,  *最適化 ,  変分法 ,  *故障 ,  保全 ,  軸受 ,  電動機 ,  分類装置 ,  *故障診断 ,  *順列 ,  エイリアシング ,  サポートベクトルマシン
準シソーラス用語： 最適解 ,  探索アルゴリズム , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (10件)： 探索 ,  SVM ,  最適化 ,  統合 ,  マルチスケール ,  順列 ,  エントロピー ,  ローリング ,  故障診断 ,  分類器